当前位置：首页 > news >正文

【YOLO 系列】基于YOLO的飞机表面缺陷智能检测系统【python源码+Pyqt5界面+数据集+训练代码】

news 来源：原创 2025/6/6 14:51:49

前言

在航空领域，飞机表面的缺陷检测对于保障飞行安全和减少维护成本至关重要。传统的人工检测方法不仅耗时耗力，而且容易受到人为因素影响，导致检测结果的不稳定性。为了提高检测效率和准确性，我们开发了基于YOLO V8的飞机表面缺陷智能检测系统。该系统利用深度学习技术，能够自动识别飞机表面的缺陷，如裂纹、凹陷、缺失的螺钉头、涂层脱落和划痕等，从而实现自动化、高效率的缺陷检测。

通过对数据集的深入分析和标注，我们训练了YOLO V8模型，使其能够精确识别飞机表面的各种缺陷。这一系统能够实时处理图像数据，即使在不同光照、角度和背景下，也能提供准确的缺陷检测结果。通过这个项目，我们不仅提升了飞机表面缺陷检测的技术水平，还为航空安全提供了一种新的技术手段。

基于此项目，设计了一个使用Pyqt5库来搭建页面展示系统。本系统支持的功能包括训练模型的导入、初始化；置信度与IOU阈值的调节、图像上传、检测、可视化结果展示、结果导出与结束检测；视频的上传、检测、可视化结果展示、结果导出与结束检测；摄像头的上传、检测、可视化结果展示与结束检测；已检测目标信息列表、位置信息；以及推理用时。本博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。

优势：

高准确性：YOLO V8模型针对飞机表面缺陷进行了优化，提高了在复杂环境下的缺陷识别准确度。
实时性：系统能够快速处理图像数据，提供实时的缺陷检测结果，适用于需要快速响应的应用场景。
鲁棒性：即使在不同光照和背景下，系统也能保持较高的识别率，显示出良好的鲁棒性。
可扩展性：系统设计考虑了不同型号和环境下的飞机表面，具有良好的可扩展性。
降低成本：自动化的检测系统减少了人工检查的需求，从而降低了维护成本和人力资源消耗。

应用场景：

航空安全监控：系统可以帮助监控人员快速识别飞机表面的异常情况，提高飞行安全。
飞机维护：在飞机维护过程中，系统可以辅助技术人员检测和记录缺陷，优化维护流程。
质量控制：系统可以作为质量控制的一部分，确保飞机制造和维修过程中的质量符合标准。
研究与开发：在飞机设计和材料研究中，系统可以提供关于缺陷分布和类型的重要数据，辅助研发工作。
教育与培训：系统可以作为教育工具，帮助学生和工程师了解飞机表面缺陷的类型和检测技术。
智能检测技术发展：研究成果可以推广到其他领域的物体检测任务中，具有广泛的应用前景

一、软件核心功能介绍及效果演示

软件主要功能

支持图片、图片批量、视频及摄像头进行检测，同时摄像头可支持内置摄像头和外设摄像头；
可对检测结果进行单独分析，并且显示单个检测物体的坐标、置信度等;
界面可实时显示目标位置、检测结果、检测时间、置信度、检测结果回滚等信息;
支持图片、视频及摄像头的结果保存，将检测结果保持为excel文件；

视频演示

飞机表面缺陷检测系统

图片检测演示

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，操作演示如下：
点击表格中的指定行，界面会显示该行表格所写的信息内容。

视频检测演示

点击视频按钮图标，打开选择需要检测的视频，在点击开始运行会自动显示检测结果。再次点击停止按钮，会停止检测视频。
点击表格中的指定行，界面会显示该行表格所写的信息内容。

摄像头检测演示

在选择相机源中输入需要检测的摄像头（可以是电脑自带摄像头，也可以是外接摄像头，视频流等方式），然后点击摄像头图标来固定选择的推理流方式，最后在点击开始运行即可开始检测，当点击停止运行时则关闭摄像头检测。
点击表格中的指定行，界面会显示该行表格所写的信息内容。

检测结果保存

点击导出数据按钮后，会将当前选择的图片【含批量图片】、视频或者摄像头的检测结果进行保存为excel文档，结果会存储在output目录下。

二、环境搭建

创建专属环境

conda create -n yolo python==3.8

激活专属环境

conda activate yolo

安装torch-GPU库

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "torch-2.0.1+cu118-cp38-cp38-win_amd64.whl"

安装torchvision-GPU库

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "torchvision-0.15.2+cu118-cp38-cp38-win_amd64.whl"

安装ultralytics库

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

测试环境

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

此时就表明环境安装成功！！！

安装图形化界面库 pyqt5

pip install pyqt5 -i https://pypi.tuna.tsinghua.edu.cn/simple

三、YOLOv11 算法原理

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

整体网络结构

C3K2 模块

从下面图中我们可以看到，C3K2模块其实就是C2F模块转变出来的，它代码中有一个设置，就是当c3k这个参数为FALSE的时候，C3K2模块就是C2F模块，也就是说它的Bottleneck是普通的Bottleneck；反之当它为true的时候，将Bottleneck模块替换成C3模块。

C2PSA 模块

C2PSA是对 C2f 模块的扩展，它结合了PSA(Pointwise Spatial Attention)块，用于增强特征提取和注意力机制。通过在标准 C2f 模块中引入 PSA 块，C2PSA实现了更强大的注意力机制，从而提高了模型对重要特征的捕捉能力。

C2f 模块

C2f模块是一个更快的 CSP（Cross Stage Partial）瓶颈实现，它通过两个卷积层和多个 Bottleneck 块进行特征提取。相比传统的 CSPNet，C2f 优化了瓶颈层的结构，使得计算速度更快。在 C2f中，cv1 是第一个 1x1 卷积，用于减少通道数；cv2 是另一个 1x1 卷积，用于恢复输出通道数。而 n 是一个包含 Bottleneck 块的数量，用于提取特征。

C2PSA 模块

C2PSA 扩展了 C2f，通过引入PSA( Position-Sensitive Attention)，旨在通过多头注意力机制和前馈神经网络来增强特征提取能力。它可以选择性地添加残差结构（shortcut）以优化梯度传播和网络训练效果。同时，使用FFN 可以将输入特征映射到更高维的空间，捕获输入特征的复杂非线性关系，允许模型学习更丰富的特征表示。

四、模型的训练、评估与推理

数据集准备

本文使用的飞机表面缺陷数据集共包含 1250 张图片。

各类标签的数量分别为：

Paint Peeling: 2845

Dents or Deformation: 572

Cracks: 1679

Corrosion: 1514

Scratches: 567

标签类别如下：['Paint Peeling', 'Dents or Deformation', 'Cracks', 'Corrosion', 'Scratches']

图片数据集的存放格式如下：

运行splitDataset.py，用于划分数据集；
运行xml2txt.py，用于得到训练标注文件；
运行ViewCategory.py，用于查看一共有那些类别。

模型训练

数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，代码如下：

from ultralytics import YOLOif __name__ == "__main__":model = YOLO('./weights/yolov8n.pt')model.train(data='./VOCData/mydata.yaml', epochs=300)

训练结果分析

YOLOv8在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：

P_curve.png

confusion_matrix_normalized.png

训练 batch

验证 batch

模型推理

模型训练完成后，可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们通过使用该文件进行后续的推理检测。

图片检测代码如下：

from ultralytics import YOLOif __name__ == "__main__":# Load a modelmodel = YOLO('./runs/detect/train/weights/best.pt')# Run batched inference on a list of imagesmodel("./img", imgsz=640, save=True, device=0)

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：